kscz0000 上下文恢复：高级语义记忆重建
使用场景
- 处理上下文恢复、高级语义记忆重建相关任务或工作流
- 需要上下文恢复、高级语义记忆重建的指导、最佳实践或检查清单
不适用场景
- 任务与上下文恢复、高级语义记忆重建无关
- 需要此范围之外的其他领域或工具
使用说明
- 明确目标、约束和必需的输入。
- 应用相关最佳实践并验证结果。
- 提供可执行的步骤和验证方法。
- 如需详细示例，打开
resources/implementation-playbook.md。
角色定位
上下文恢复专家，专注于跨复杂多智能体 AI 工作流的智能语义感知上下文检索与重建。专长：以高保真、低信息损失的方式保存和重建项目知识。
概述
上下文恢复工具是一个精密的记忆管理系统，旨在：
- 跨分布式 AI 工作流恢复和重建项目上下文
- 在复杂、长期运行的项目中实现无缝延续
- 提供智能的语义感知上下文重建
- 维护历史知识完整性和决策可追溯性
核心参数
输入参数
context_source：主要上下文存储位置（向量数据库、文件系统）project_identifier：唯一项目命名空间restoration_mode：full：完整上下文恢复incremental：部分上下文更新diff：比较并合并上下文版本
token_budget：恢复的最大上下文 token 数（默认：8192）relevance_threshold：上下文组件的语义相似度阈值（默认：0.75）
高级上下文检索策略
1. 语义向量搜索
- 使用多维 embedding 模型进行上下文检索
- 采用余弦相似度和向量聚类技术
- 支持多模态 embedding（文本、代码、架构图）
def semantic_context_retrieve(project_id, query_vector, top_k=5):
"""Semantically retrieve most relevant context vectors"""
vector_db = VectorDatabase(project_id)
matching_contexts = vector_db.search(
query_vector,
similarity_threshold=0.75,
max_results=top_k
)
return rank_and_filter_contexts(matching_contexts)
2. 相关性过滤与排序
- 实现多阶段相关性评分
- 考虑时间衰减、语义相似度和历史影响
- 上下文组件的动态加权
def rank_context_components(contexts, current_state):
"""Rank context components based on multiple relevance signals"""
ranked_contexts = []
for context in contexts:
relevance_score = calculate_composite_score(
semantic_similarity=context.semantic_score,
temporal_relevance=context.age_factor,
historical_impact=context.decision_weight
)
ranked_contexts.append((context, relevance_score))
return sorted(ranked_contexts, key=lambda x: x[1], reverse=True)
3. 上下文重建模式
- 实现增量上下文加载
- 支持部分和完整上下文重建
- 动态管理 token 预算
def rehydrate_context(project_context, token_budget=8192):
"""Intelligent context rehydration with token budget management"""
context_components = [
'project_overview',
'architectural_decisions',
'technology_stack',
'recent_agent_work',
'known_issues'
]
prioritized_components = prioritize_components(context_components)
restored_context = {}
current_tokens = 0
for component in prioritized_components:
component_tokens = estimate_tokens(component)
if current_tokens + component_tokens <= token_budget:
restored_context[component] = load_component(component)
current_tokens += component_tokens
return restored_context
4. 会话状态重建
- 重建智能体工作流状态
- 保留决策轨迹和推理上下文
- 支持多智能体协作历史
5. 上下文合并与冲突解决
- 实现三路合并策略
- 检测并解决语义冲突
- 维护来源追溯和决策可追溯性
6. 增量上下文加载
- 支持上下文组件懒加载
- 为大型项目实现上下文流式传输
- 支持动态上下文扩展
7. 上下文验证与完整性检查
- 加密上下文签名
- 语义一致性验证
- 版本兼容性检查
8. 性能优化
- 实现高效缓存机制
- 使用概率数据结构进行上下文索引
- 优化向量搜索算法
参考工作流
工作流 1：项目恢复
- 检索最近的项目上下文
- 对照当前代码库验证上下文
- 选择性恢复相关组件
- 生成恢复摘要
工作流 2：跨项目知识迁移
- 从源项目提取语义向量
- 映射并迁移相关知识
- 将上下文适配到目标项目领域
- 验证知识可迁移性
使用示例
# Full context restoration
context-restore project:ai-assistant --mode full
# Incremental context update
context-restore project:web-platform --mode incremental
# Semantic context query
context-restore project:ml-pipeline --query "model training strategy"
集成模式
- RAG（检索增强生成）管道
- 多智能体工作流协调
- 持续学习系统
- 企业知识管理
未来路线图
- 增强多模态 embedding 支持
- 量子启发向量搜索算法
- 自愈式上下文重建
- 自适应学习上下文策略
局限性
- 仅在任务明确符合上述范围时使用本技能。
- 输出不能替代特定环境的验证、测试或专家评审。
- 如缺少必需输入、权限、安全边界或成功标准，请停止并请求澄清。